OWL：基于占据引导的热身和大模型先验推理的无监督 3D 对象检测
计算机视觉与模式识别
2025-12-08 v1
摘要
无监督 3D 对象检测利用启发式算法发现潜在对象, 为减少自动驾驶中的标注成本提供了有前景的途径。现有方法主要生成伪标签并通过自训练迭代进行细化。然而, 这些伪标签在训练初期常常不正确, 导致误导优化过程。此外, 有效地过滤和细化它们仍是一个关键挑战。本文提出了 OWL 进行无监督 3D 对象检测, 通过占据引导的热身和大模型先验推理。OWL 首先采用占据引导的热身 (OGW) 策略, 以空间感知能力初始化 backbone 权重, 减轻错误伪标签对网络收敛的干扰。此外, OWL 引入 Instance-Cued Reasoning (ICR) 模块, 利用大模型的先验知识来评估伪标签质量, 实现精确的过滤和细化。最后, 我们设计 Weight-adapted Self-training (WAS) 策略, 动态重新加权伪标签, 通过自训练提高性能。在 Waymo Open Dataset (WOD) 和 KITTI 上进行大量实验表明, OWL 超越最新的无监督方法超过 15.0% mAP, 揭示了我们方法的有效性。
关键词
引用
@article{arxiv.2512.05698,
title = {OWL: Unsupervised 3D Object Detection by Occupancy Guided Warm-up and Large Model Priors Reasoning},
author = {Xusheng Guo and Wanfa Zhang and Shijia Zhao and Qiming Xia and Xiaolong Xie and Mingming Wang and Hai Wu and Chenglu Wen},
journal= {arXiv preprint arXiv:2512.05698},
year = {2025}
}
备注
The 40th Annual AAAI Conference on Artificial Intelligence